Type Safe.AI推出了其首个模型Jev，这是一个不同于LLM的系统一模型。LLM预测下一个token并生成文本，而系统一模型评估一个状态并产生结构化答案。Jev使用RLCD（校准决策的强化学习）而非RLHF，训练模型返回决策和概率。

输入是一个状态——上下文加问题。它可以是一条简单消息，如“我有可能更改我的PIN码吗？”，一个包含字段的JSON对象，或一个消息数组。最佳实践是使用具有清晰字段名的对象。

问题通过原语来回答：Choice用于预定义选项（例如，配送、账单、账户访问），Score用于有序值（例如，负面、中性、正面），Noul用于是/否。模型返回所有值的概率，提供置信水平。

置信度对决策至关重要。对于自动回复，如果模型以高置信度对请求进行分类，它可以自动回复；如果不确定，它可以升级。这使得Jev适用于分类和LLM-as-a-judge任务。

关键实体：公司：Type Safe.AI、OpenAI

FAQ：系统一模型与LLM有何不同？

系统一模型评估一个状态并产生带概率的结构化答案，而LLM预测下一个token并生成自由形式的文本。它们使用不同的后训练方法：RLCD用于校准决策，而RLHF用于人类偏好对齐。

FAQ Q：系统一模型与LLM有何不同？

FAQ A：系统一模型评估一个状态并产生带概率的结构化答案，而LLM预测下一个token并生成自由形式的文本。它们使用不同的后训练方法：RLCD用于校准决策，而RLHF用于人类偏好对齐。